CN114881360A - 基于案例推理的特殊天气风电功率预测数据修正方法 - Google Patents
基于案例推理的特殊天气风电功率预测数据修正方法 Download PDFInfo
- Publication number
- CN114881360A CN114881360A CN202210626792.8A CN202210626792A CN114881360A CN 114881360 A CN114881360 A CN 114881360A CN 202210626792 A CN202210626792 A CN 202210626792A CN 114881360 A CN114881360 A CN 114881360A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- case
- wind power
- wind
- intermittent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012937 correction Methods 0.000 title claims abstract description 33
- 239000000243 solution Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000005291 chaos (dynamical) Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000013209 evaluation strategy Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract 1
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于案例推理的特殊天气风电功率预测数据修正方法,该方法通过分形维数理论,对风速的间歇性进行了分析与描述,划分得到间歇性风速区间与间歇性风速点,提取风电场历史实测数据中所有间歇性风速点处的风速与风电功率数据,构建特殊天气风速‑功率案例库,在此基础上,对风电功率预测段数据中所有间歇性风速点进行修正,对于预测数据中所有间歇性风速点,利用检索案例库得到的解对该点处的风电功率预测值进行加权修正,得到最终的风电功率预测输出值,以降低预测误差。
Description
技术领域
本发明属于风电功率预测数据修正领域,具体涉及一种基于案例推理的特殊天气风电功率预测数据修正方法。
背景技术
雷雨、台风等特殊天气下由于风速等气象因素的突变,传统的风电功率预测模型的预测值往往不能较好地贴合风电实际出力曲线,容易产生较大的预测误差,如何解决这一情景下风电功率预测精度较低的问题值得深入研究。
目前国内对特殊天气下风电功率预测模型的研究主要集中于输入数据的波动规律分析与预测模型的算法优化等,这些方法通过数据的预处理与预测模型的改进来提高风电功率预测精度,然而目前已有的研究首先未对特殊天气进行量化描述,且都未能取得较好的效果。基于以上分析,应探究特殊天气时间点的具体判定依据,并采用合适的方法对特殊天气下的风电功率预测值进行调整,进而提高风电功率预测的精度。
发明内容
本发明的目的在于提供一种基于案例推理的特殊天气风电功率预测数据修正方法,解决特殊天气下风速序列的时空相关性较差,传统模型的预测值误差大,不能较好地贴合风电实际出力这一问题。
为了解决上述技术问题,发明人采用如下技术方案:第一方面,本发明提供一种基于案例推理的特殊天气风电功率预测数据修正方法,包括以下步骤:
1)采用混沌理论中的分形维数理论对风能的波动特性进行分析,确定间歇性风速区间与间歇性风速点,近似将间歇性风速点作为特殊天气时间点的判定依据;
2)基于风电场历史运行数据,整合所有间歇性风速点处的风速与对应的风电出力值,建立特殊天气下风速-功率案例库;
3)对于风电功率预测模型预测段每一点处数据,判断是否为间歇性风速点,若是,则需要修正,提取风速作为特征量,检索案例库求解得到修正值,若否,则将修正值置零,无需修正;
4)将检索案例库求得的修正值按一定的权重修正预测模型输出值,得到修正后的风电功率预测值。
第二方面,本发明提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述的方法的步骤。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述的方法的步骤。
第四方面,本发明提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面所述的方法的步骤。
与现有技术相比,本发明的显著优点为:
(1)本发明采用混沌理论中的分形维数理论对风速的间歇性进行分析,并将间歇性风速点近似作为特殊天气时间点的判定依据,为雷雨、台风等特殊天气场景提供了一种具体量化指标;
(2)本发明将案例推理技术应用于风电功率预测领域,对于解决雷雨、台风等特殊天气下风电功率预测误差较大问题提供了一种新的思路。
附图说明
图1是基于案例推理的数据修正方法流程图。
图2是间歇性风速区间与间歇性风速点的划分结果示意图。
图3是建立的特殊天气下风速-功率案例库部分展示图。
图4是间歇性风速点数据修正前后的绝对误差图。
图5是数据修正前后的风电功率预测值对比图。
具体实施方式
风能的强波动性、随机性和间歇性,决定了风电功率具有较强的波动性。常规的风电功率预测模型虽然能基本满足风电并网对风电功率预测精度的要求,然而雷雨、台风等特殊天气下,由于风速等气象因素的突变,风电功率预测曲线难以较好地贴合风电实际出力曲线,容易产生较大的风电功率预测误差。
基于上述分析,本发明提出了一种基于案例推理的特殊天气风电功率预测数据修正方法。该方法采用分形维数理论对风速的间歇性进行分析,划分得到间歇性风速区间与间歇性风速点,并将间歇性风速点近似作为特殊天气时间点的判定依据,对于风电功率预测数据,若判断某一时间点处于特殊天气,则需要检索案例库求解得到修正值,采用加权修正的方法对该点处的风电功率预测值进行修正,若不是特殊天气时间点,则直接输出风电功率预测数据,经过数据修正后的风电功率预测模型的预测精度能够得到有效提升。如图1所示,具体修正方法的实现步骤如下:
第一步,用分形维数理论中的计盒维数法来对特定时间段内的风速波动进行几何量化,计盒维数的基本思想为:假设将不规则曲线放在一个均匀分割的边长为ε的网格中,至少需要N个格子才能够完全覆盖这个不规则曲线,则该曲线的计盒维数的数学表达式如下:
当ε→0时,分形维数DS的值等于曲线的近似斜率。对于风速时间序列,计盒维数法的具体描述为,将长度为t的历史风速时间序列分解为N个区间,每个区间内时间长度为固定值Δt,则第i个风速区间内的分形维数Di的表达式为:
其中,vi,max与vi,min分别为第i个风速区间内风速的最大值与最小值。分形理论的研究表明:分形维数越大,数据的随机性越大,即风速波动性越强,因此通过选取合适的分形维数值Dr,分析每个风速区间内的分形维数大小就可以确定该区间是否为间歇性风速区间,若第i个风速区间内的分形维数值Di>Dr,则认为该区间的风速波动性强,判断其是间歇性风速区间,用vi与vi+1分别表示该区间内的两个风速点,则可以判断vi为间歇风速点。结合实验实际选用风电场情况,确定分形维数参考值Dr=1.5,对于某段风速时间序列,间歇性风速区间与间歇性风速点的划分结果如图2虚线框部分所示。
基于上述方法划分得到的间歇性风速点,近似视为特殊天气时间点。
第二步,以风电场历史实测数据为基础,结合风电出力的影响因素相关性分析,统计并整合所有间歇性风速点处的风速与对应的风电出力值,构成特殊天气下风速-功率案例库。对于第n个间歇风速点,视其为第n个特殊天气点,取当前时刻的风速vi与为案例的特征向量{xn},案例的解{yn}为当前时刻风电实际出力值。则任一源案例可以表示为:
Cn={xn;yn},n=1,2,…N (3)
对于某风电场历史实际数据,所建立的特殊天气下风速-功率案例库部分展示如图3所示。
第三步,对于任一风电功率预测模型的预测输出数据,利用分形维数理论判断该时间点是否为间歇性风速点,若是,则判定该时间点处于特殊天气下,需要进行预测数据修正,设目标案例(即待求解案例)为x,待求的解记为y,采用基于欧氏距离的相似度评估策略来计算x与源案例xn的相似度,计算公式如下:
当相似度大于85%时,认为当前案例与案例库中的案例匹配,将相似度大于85%的案例按照相似度大小排序,取前5个(若案例不满5个则全部选取),求其平均值,作为当前案例的解y。若没有相似度大于85%的案例,则可以将相似度适当降低至80%或75%(视实际检索情况取值),直至找到满足要求的案例为止,求得的解y即为数据修正模块中的修正值。若判断该时间点不是间歇性风速点,则无需进行预测数据修正,此时应将修正值置零,即直接输出预测模型输出值。
对于风电功率预测段某时间点,风速为v=4.57,风电功率预测值为Pw=3.94,根据步骤一中的间歇性风速点判断方法,判断其为特殊天气时间点,检索案例库,按相似度从高到底取前五个案例:(5.557,1.848),(5.56,1.864),(4.718,1.017),(4.583,0.884),(4.474,0.763),按式(4)计算得到修正量y=1.28。
第四步,基于上一步所求得的修正值,采用加权组合的方法对风电功率预测模型的输出值进行修正,权重的确定采用注水法,注水法的原理为:子信道具有不同的衰减特性,所以将更多的功率分配给信噪比高的子信道,将较少的功率分配给信噪比低的子信道,可以有效提高信号的传输效率。注水法的功率分配机理的数学表达式如下:
其中,Q为信道容量,Pm表示第m个子信道分配到的功率;为第m个特征子信道的噪声方差,αm为第m个子信道的增益,该参数的值代表了第m个属性的重要程度,即案例库中第m个特征量与输出的相关程度,由相关系数来计算αm的值,计算公式如下:
进一步计算门限值:
权重ωm的计算公式如下所示。
经计算得到的权重ω1=0.1,ω2=0.9,对于预测数据的第i个时间点,预测模型的输出值为Pwi,若为特殊天气时间点,则修正后的输出预测值Pi为:
Pi=ω1Pw,i+ω2y (9)
对于步骤三中的预测段时间点,用式(9)计算加权修正后的风电功率值,即:
P=0.1*3.94+0.9*1.28=1.55 (10)
将修正后的值作为预测模型的输出量。图4与图5分别给出了某风电功率预测模型预测段数据采用数据修正前后的绝对误差对比与预测值对比。
本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的改动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于案例推理的特殊天气风电功率预测数据修正方法,其特征在于,包括以下步骤:
1)采用混沌理论中的分形维数理论对风能的波动特性进行分析,确定间歇性风速区间与间歇性风速点,近似将间歇性风速点作为特殊天气时间点的判定依据;
2)基于风电场历史运行数据,整合所有间歇性风速点处的风速与对应的风电出力值,建立特殊天气下风速-功率案例库;
3)对于风电功率预测模型预测段每一点处数据,判断是否为间歇性风速点,若是,则需要修正,提取风速作为特征量,检索案例库求解得到修正值,若否,则将修正值置零,无需修正;
4)将检索案例库求得的修正值按一定的权重修正预测模型输出值,得到修正后的风电功率预测值。
2.根据权利要求1所述的基于风速波动特征分型的风电功率预测方法,其特征在于,步骤1)中,首先,用分形维数理论中的计盒维数法来对特定时间段内的风速波动进行几何量化,计盒维数的基本思想为:假设将不规则曲线放在一个均匀分割的边长为ε的网格中,至少需要N个格子才能够完全覆盖这个不规则曲线,则该曲线的计盒维数的数学表达式如下:
当ε→0时,分形维数DS的值等于曲线的近似斜率;对于风速时间序列,计盒维数法的具体描述为,将长度为t的历史风速时间序列分解为N个区间,每个区间内时间长度为固定值Δt,则第i个风速区间内的分形维数Di的表达式为:
其中,vi,max与vi,min分别为第i个风速区间内风速的最大值与最小值;分形维数越大,数据的随机性越大,即风速波动性越强,因此通过选取合适的分形维数值Dr,分析每个风速区间内的分形维数大小就能够确定该区间是否为间歇性风速区间,若第i个风速区间内的分形维数值Di>Dr,则认为该区间的风速波动性强,判断其是间歇性风速区间,用vi与vi+1分别表示该区间内的两个风速点,则可以判断vi为间歇风速点;
基于上述方法划分得到的间歇性风速点,近似视为特殊天气时间点。
3.根据权利要求2所述的基于案例推理的特殊天气风电功率预测数据修正方法,其特征在于,分形维数参考值Dr=1.5。
4.根据权利要求1所述的基于案例推理的特殊天气风电功率预测数据修正方法,其特征在于,步骤2)中,以风电场历史实测数据为基础,结合风电出力的影响因素相关性分析,统计并整合所有间歇性风速点处的风速与对应的风电出力值,构成特殊天气下风速-功率案例库;对于第n个间歇风速点,视其为第n个特殊天气点,取当前时刻的风速vi与为案例的特征向量{xn},案例的解{yn}为当前时刻风电实际出力值;则任一源案例可以表示为:
Cn={xn;yn},n=1,2,…N (3)
5.根据权利要求1所述的基于案例推理的特殊天气风电功率预测数据修正方法,其特征在于,步骤3)中,对于任一风电功率预测模型的预测输出数据,利用分形维数理论判断该时间点是否为间歇性风速点,若是,则判定该时间点处于特殊天气下,需要进行预测数据修正,设目标案例为x,待求的解记为y,采用基于欧氏距离的相似度评估策略来计算x与源案例xn的相似度,计算公式如下:
当相似度大于85%时,认为当前案例与案例库中的案例匹配,将相似度大于85%的案例按照相似度大小排序,取前5个,若案例不满5个则全部选取,求其平均值,作为当前案例的解y;若没有相似度大于85%的案例,则将相似度降低,直至找到满足要求的案例为止,求得的解y即为数据修正模块中的修正值;若判断该时间点不是间歇性风速点,则无需进行预测数据修正,此时应将修正值置零,即直接输出预测模型输出值。
6.根据权利要求5所述的基于案例推理的特殊天气风电功率预测数据修正方法,其特征在于,若没有相似度大于85%的案例,则将相似度降低至80%或75%,直至找到满足要求的案例为止。
7.根据权利要求1所述的基于案例推理的特殊天气风电功率预测数据修正方法,其特征在于,步骤4)中,基于上一步所求得的修正值,采用加权组合的方法对风电功率预测模型的输出值进行修正,权重的确定采用注水法,经计算得到的权重ω1=0.1,ω2=0.9,对于预测数据的第i个时间点,预测模型的输出值为Pwi,若为特殊天气时间点,则修正后的输出预测值Pi为:
Pi=ω1Pw,i+ω2y (5)
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7中任一所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-7中任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210626792.8A CN114881360A (zh) | 2022-06-05 | 2022-06-05 | 基于案例推理的特殊天气风电功率预测数据修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210626792.8A CN114881360A (zh) | 2022-06-05 | 2022-06-05 | 基于案例推理的特殊天气风电功率预测数据修正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881360A true CN114881360A (zh) | 2022-08-09 |
Family
ID=82679062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210626792.8A Pending CN114881360A (zh) | 2022-06-05 | 2022-06-05 | 基于案例推理的特殊天气风电功率预测数据修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881360A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115422209A (zh) * | 2022-11-07 | 2022-12-02 | 东方电气风电股份有限公司 | 一种风电案例数据处理系统及方法 |
-
2022
- 2022-06-05 CN CN202210626792.8A patent/CN114881360A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115422209A (zh) * | 2022-11-07 | 2022-12-02 | 东方电气风电股份有限公司 | 一种风电案例数据处理系统及方法 |
CN115422209B (zh) * | 2022-11-07 | 2023-02-03 | 东方电气风电股份有限公司 | 一种风电案例数据处理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272146B (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
CN109299812B (zh) | 一种基于深度学习模型和knn实时校正的洪水预测方法 | |
CN108549962B (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
CN109255728B (zh) | 混沌相空间优化重构的光伏发电功率神经网络预测法 | |
CN115099500B (zh) | 基于权重修正和drsn-lstm模型的水位预测方法 | |
CN110555548B (zh) | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 | |
CN114881360A (zh) | 基于案例推理的特殊天气风电功率预测数据修正方法 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN112186761A (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
CN113468790A (zh) | 一种基于改进粒子群算法的风速特征模拟方法及系统 | |
CN111159900B (zh) | 风机风速的预测方法及装置 | |
CN115099461A (zh) | 基于双分支特征提取的太阳辐射预测方法及系统 | |
CN110212592B (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统 | |
CN116151464A (zh) | 一种光伏发电功率预测方法、系统及可存储介质 | |
CN115271253A (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
CN117688362A (zh) | 基于多元数据特征增强的光伏功率区间预测方法及装置 | |
CN113673788A (zh) | 基于分解误差修正和深度学习的光伏发电功率预测方法 | |
CN117521497A (zh) | 基于深度学习的可再生能源电站功率预测方法及系统 | |
CN115952924B (zh) | 一种基于优化vmd与特征热力图的短期风电功率预测方法 | |
CN110458344B (zh) | 一种自适应时间分辨率的超短期风电功率预测方法 | |
CN116822123A (zh) | 一种基于wpd-se-mic策略的光伏功率预测方法 | |
CN115239029B (zh) | 考虑功率时序及气象相依特性的风电功率预测方法及系统 | |
CN116227721A (zh) | 基于生成对抗网络的用户负荷率预测方法及系统 | |
CN112803403B (zh) | 基于时频特征的海上风电集群效应多层级评估方法 | |
CN114925620A (zh) | 一种基于集成学习算法的短期风电功率预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |